전기 요금을 예측하는 것만으로는 부족하다 — 스프레드를 직접 노려라

"더 정확한 예측이 더 많은 수익을 보장하지 않는다" — 퀀트 트레이딩에서 가장 과소평가된 진실 중 하나입니다. 오늘 소개할 논문은 이 역설을 전력 시장에서 실증적으로 입증했습니다.

---

들어가며: 배터리로 전기를 사고파는 세상

요즘 유럽에는 대규모 배터리 에너지 저장 시스템(BESS)이 빠르게 늘어나고 있습니다. 이 배터리들은 싼 시간에 전기를 사서(충전) 비싼 시간에 팔고(방전) 싶어합니다. 일종의 '전기 장사'죠.

문제는 이겁니다: 어떤 시간이 싸고 어떤 시간이 비쌀지를 어떻게 예측할 것인가?

보통은 각 시간대의 전력 가격을 따로따로 예측한 다음, 예측이 비싼 시간과 싼 시간을 골라서 거래합니다. 직관적으로는 맞아 보이죠. 하지만 최근 발표된 한 논문은 이 접근 방식에 큰 구멍이 있다고 말합니다.

---

무엇이 문제였나: 가격을 맞혀도 돈을 잃는 이유

기존 방식은 이렇습니다:

1. 내일0시,1시,2시, ...23시의 전력 가격을 각각 예측한다.
2. 가장 비싼 시간과 가장 싼 시간을 골라 충전→방전을 한다.

이 방식의 치명적 약점이 있습니다. 바로 각 가격 예측이 서로 모순될 수 있다는 점입니다. 예를 들어, 모델이14시 가격을100원/MWh로,15시 가격을90원/MWh로 예측했다고 합시다. 이 두 예측은 "14시-15시 스프레드 = +10원"이라는 정보를 내포합니다. 하지만 또 다른 모델이 같은 시간대 스프레드를-5원으로 예측한다면? 두 예측이 서로 모순되는 거죠. 이렇게 되면 실제 거래에서 예상과 전혀 다른 결과가 나올 수 있습니다.

핵심은 이겁니다: 개별 가격을 잘 맞히는 것과, 가격 차이(스프레드)를 잘 맞히는 것은 다른 문제입니다. 배터리 차익거래의 실제 수익은 가격이 아니라 스프레드에서 나오니까요.

---

핵심 아이디어: 스프레드를 직접 예측하고 수학적으로 일관되게 만들기

이 논문이 제안하는 방법은 Temporal Hierarchy Forecasting, 줄여서 THieF입니다. 이름이 무시무시하지만 아이디어는 우아합니다.

###1단계: 모든 것을 한꺼번에 예측

24시간 개별 가격(24개)과 모든 시간 쌍의 스프레드(276개)를 하나의 큰 수학적 구조 안에서 동시에 예측합니다. 총300개의 예측값이 하나의300×24 합산 행렬(S_spread)로 묶입니다.

###2단계: 모순 제거 (조정)

300개 예측값이 서로 모순될 수 있으니, 수학적으로 가장 일관된 형태로 조정합니다. 조정 공식은 다음과 같습니다:

ỹ = S(S'W⁻¹S)⁻¹S'W⁻¹ ŷ

어렵게 보이지만 핵심은 단순합니다: "원래 예측값 ŷ에서 출발하되, 서로 모순되지 않으면서 원래 예측에 가장 가까운 값 ỹ를 찾아라." 여기서 W는 예측 오차의 공분산 행렬입니다.

###3단계: 어떤 예측 모델에도 적용 가능

이 조정 과정은 예측 모델 자체에 의존하지 않습니다. ARX(고전 시계열 모델), NARX(신경망 모델), 심지어 최근 주목받는 TabPFN(파운데이션 모델) 등 어떤 모델의 출력이든 THieF를 적용할 수 있습니다. 마치 렌즈를 씌우는 것처럼요.

그림 설명: THieF가 사용하는 두 가지 합산 행렬. 왼쪽은24시간 가격을 묶는 구조, 오른쪽은 모든 시간 쌍의 가격 차이(스프레드)를 묶는 구조입니다. 이 행렬들을 통해 개별 가격과 스프레드 예측이 수학적으로 일관되게 조정됩니다.

---

결과 — 무엇을 알아냈나

연구팀은 독일과 스페인 전력 시장의 5년치(2021~2025) 데이터로 검증했습니다. 코로나 이후 에너지 위기, 음가격(전기값이 마이너스) 극단 이벤트까지 포함된 매우 도전적인 기간입니다.

숫자로 보는 성과

숫자만 보면 "3% 개선이 뭐가 대단해?"라고 생각할 수 있습니다. 하지만 이건 예측 모델을 바꾸지 않고, 조정 방식만 바꿨을 때 나온 개선입니다. 기존 모델의 성능을 그대로 유지하면서 수학적 일관성만 추가한 것만으로 이 정도 수익 차이가 난다는 놀라운 결과죠.

가장 흥미로운 발견: 정확도-수익 역설

논문에서 가장 인상적인 발견은 이것입니다:

통계적으로 가장 정확한 모델(TabPFN)과 실제 가장 수익이 높은 모델(NARX+THieF)이 다르다.

TabPFN은 예측 오차(RMSE) 기준으로 가장 우수했습니다. 하지만 실제 배터리 거래 수익은 NARX에 THieF를 적용한 조합이 더 높았습니다.

왜일까요?2023년7월2일 독일 시장에서 전력 가격이-500 EUR/MWh까지 폭락한 극단적 사건을 살펴보면 답이 보입니다. TabPFN 기본 모델은 이 사건을 제대로 포착하지 못해300유로 이상 손실을 봤지만, THieF를 적용한 모델은 손실을 회피했습니다. 극단적 상황에서의 방어력이 통계적 정확도보다 중요했던 겁니다.

그림 설명:180일 롤링 윈도우로 본 예측 오차(RMSE) 변화. 실선은 THieF 적용 후, 음영 영역은 개선 효과를 나타냅니다. 에너지 위기 기간(2022~2023)에서도 THieF가 안정적으로 오차를 줄이고 있습니다.

---

한계와 주의점

완벽한 방법은 아닙니다. 솔직하게 한계도 짚어보겠습니다.

1. 하루 한 사이클만 고려: 배터리를 하루에 한 번만 충전→방전한다고 가정합니다. 현실에서는 여러 번 사이클을 돌릴 수 있는데, 이 경우는 아직 검증되지 않았습니다.

2. 시장에 영향을 주지 않는다고 가정: 우리가 거래해도 시장 가격이 변하지 않는 '가격 수용자(price-taker)'를 가정합니다. 대규모 배터리 운영자라면 시장 영향력을 고려해야 합니다.

3. 유럽 전력 시장에 한정: 독일과 스페인 시장에서 검증되었습니다. 다른 시장(예: 한국 전력 시장, 원자재 선물 시장)에서의 효과는 별도 검증이 필요합니다.

4. 배터리 효율 미통합: 실제 배터리의 충전/방전 손실(효율90% 정도)을 조정 구조에 직접 반영하지 않았습니다.

---

그래서 투자/실무엔?

이 논문의 교훈은 전력 시장을 넘어 스프레드 기반 트레이딩 전략 전반에 적용 가능합니다.

직접 적용 가능한 분야:

• 원유·천연가스 선물의 캘린더 스프레드 거래 (근월 vs 원월)
• 원자재의 시간 스프레드 차익거래
• 모든 저장 가능한 상품의 사재기 전략 최적화

핵심 교훈:

1. 개별 가격이 아니라 스프레드를 직접 예측하라. 수익은 가격이 아니라 가격 차이에서 나옵니다.
2. 예측값들 사이의 수학적 일관성을 확보하라. 모순된 예측은 실제 거래에서 예상 밖 손실을 만듭니다.
3. 통계적 정확도 ≠ 수익성. 백테스트 목적함수는 예측 오차가 아니라 실제 수익으로 설계해야 합니다.
4. 극단 상황에서의 방어력이 중요하다. 평소에는 비슷해 보여도, 위기 때 차이가 벌어집니다.

---

함께하기

최신 퀀트 트레이딩 연구를 한국어로 쉽게 전달합니다.

• 🌐ohselab.com — 더 많은 연구 소개
• 📧 뉴스레터 구독 — 매주 최신 논문 큐레이션
• 💬 상담 문의 — 시스템 트레이딩 전략 수립·구현 지원

---

더 알아보기

• 📄 원 논문: arXiv:2609.23223
• 5차원 점수: Novelty76 / Applicability84 / Rigor72 / Reproducibility35 / Insight79 (composite71.5)
• 관련 분과: B4 (시계열 계량경제학)
• 이 논문은2026년9월19일에 arXiv에 제출되었습니다.